神预测：因霾折寿五年

　　与大气中快速的天气变化相比，缓慢波动的海洋表现出高度的持久性或“记忆性”，这意味着明天的海洋温度可能与今天非常相似，只有很小的变化。

因此，海洋记忆经常被用来预测海洋状况。

　　海洋预测的新挑战　　随着海洋记忆力的下降，变薄的混合层也增加了海面温度的随机波动。

结果，尽管未来一年到下一年，海洋的变化不会太大，但有助于预测的信号的比例大大减少。

　　“海洋记忆的减少和随机波动的增加表明了系统的内在变化和变暖预测的新挑战，”夏威夷大学马诺阿海洋与地球科技学院大气科学教授飞飞·金说，他也是这项研究的合著者。

　　海洋记忆丧失不仅影响物理变量的预测，还可能影响我们管理敏感海洋生态系统的方式。

　　“减少记忆意味着提前做预测的时间更少。

这可能会妨碍我们预测和准备海洋变化的能力，包括海洋热浪，众所周知，海洋热浪已经导致了世界各地海洋生态系统的突然和明显的变化，菜科网，”迈克尔·雅各布斯说，他是美国国家海洋与大气管理局渔业部位于加利福尼亚州蒙特雷的西南渔业科学中心的研究科学家，也是该研究的合著者。

　　渔业管理中用于种群估计的生物参数是在假定近期环境稳定的情况下估计的。

海洋记忆的减少可能会使这种估计变得不可靠，因此有必要在基于生态系统的渔业管理中采用新技术，如实时海洋监测和其他措施。

海洋记忆的丧失预计也会对生物资源种群产生影响。

考虑到海洋记忆的丧失，可以更好地预计和预测未来的种群波动，这取决于该物种是适应恒定的还是更可变的环境条件。

　　除了海洋预测，预测陆地对温度、降水以及极端事件的影响也可能受到海洋记忆衰退的影响，因为它们依赖于海洋表面温度的持久性作为可预测性来源。

随着海洋记忆的持续下降，研究人员可能会面临挑战，为熟练的预测寻找替代的预测者。

当有预测模型来预测未知变量时，在时间充当独立变量和目标因变量的情况下，时间序列预测就出现了。

预测值可以是潜在雇员的工资或银行账户持有人的信用评分。

任何正式引入统计数据的数据科学都会遇到置信区间，这是某个模型确定性的衡量标准。

因此，菜叶说说，预测一段时间内某些数据的价值需要特定的技术，并且需要多年的发展。

由于每种都有其特殊用途，必须注意为特定应用选择正确的技术。

预测人员在技术选择中发挥作用，他们越了解预测可能性的范围，公司的预测工作就越有可能取得成果。

其方法的选择取决于预测的背景、历史数据的相关性和可用性、所需的准确度、预测的时间段、对企业的预测成本以及分析所需的时间。

影响预测的因素 · 增加或减少趋势 · 季节性 · 数据集的大小 时间序列的组成部分与数据本身一样复杂。

随着时间的增加，获得的数据也会增加。

有时候更多的数据并不意味着更多的信息，但是更大的样本避免了由于随机采样而产生的误差。

因此，对于每个应用程序，使用的技术都会发生变化。

来源：数据科学博客 在本文中，我们列出了最广泛使用的时间序列预测方法，只需一行代码就可以在Python中使用它们：1. Autoregression（AR） AR方法在先前时间步骤中模拟为观察的线性函数。

模型的表示法涉及指定模型p的顺序作为AR函数的参数。

from statsmodel.tsa.ar_model import AR2. Autoregressive Moving Average（ARMA） ARMA方法结合了自回归（AR）模型和移动平均（MA）模型。

from statsmodel.tsa.arima_model import ARMA3. Autoregressive Integrated Moving Average（ARIMA） ARIMA方法结合自回归（AR）和移动平均（MA）模型以及序列的差分预处理步骤以使序列静止，称为积分。

from statsmodel.tsa.arima_model import ARIMA4. Seasonal Autoregressive Integrated Moving-Average (SARIMA) SARIMA方法将序列中的下一步建模为先前时间步骤的差异观测值、误差、差异性季节观测值和季节性误差的线性函数。

它结合了ARIMA模型，能够在季节性水平上执行相同的自回归、差分和移动平均建模。

from statsmodel.tsa.statespace.sarimax import SARIMAX5. Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX) SARIMAX是SARIMA模型的扩展，还包括外生变量的建模。

SARIMAX方法还可用于使用外生变量对包含的模型进行建模，例如ARX，MAX，ARMAX和ARIMAX。

from statsmodel.tsa.statespace.sarimax import SARIMAX 6. Vector Autoregression (VAR) 向量自回归方法使用AR模型。

AR是多个并行时间序列的推广。

from statsmodel.tsa.vector_ar.var_model import VAR7. Vector Autoregression Moving-Average (VARMA) 这是ARMA对多个并行时间序列的推广，例如，多变量时间序列。

from statsmodel.tsa.statespace.varmax import VARMAX8. Vector Autoregression Moving-Average with Exogenous Regressors（VARMAX） VARMAX是VARMA模型的扩展，它还包括外生变量的建模。

它是ARMAX方法的多变量版本。

9. Holt Winter’s Exponential Smoothing (HWES) HWES是在先前时间步骤的观测的指数加权线性函数，将考虑趋势和季节性因素。

from statsmodel.tsa.holtwinters import ExponentialSmoothing